- سرور
HPE ProLiant Servers
سرورهای HPE ProLiant با یک رویکرد امنیتی اساسی برای دفاع در برابر تهدیدات پیچیده طراحی شده اند.
- ذخیره ساز
HPE Storage
با استفاده از HPE Storage و ساده سازی مدیریت داده ها می توانید به مدیریت داده در شبکه سرعت ببخشید و از داده های خود بهتر محافظت کنید.
- تجهیزات شبکه
-
سوییچ های شبکه
- Aruba 3810M Switch Series
- Aruba 2540 Switch Series
- HPE (Aruba) 2920 24G Discontinued
- HPE (Aruba) 2530 48G Discontinued
- HPE (Aruba) 2530 24G 2SFP+ Discontinued
- HPE (Aruba) 2530 24G Discontinued
- HPE 1920S 24G 2SFP PPoE+ 185W
- HPE 1920S 24G 2SFP
- HPE (Aruba) 2620 24 Discontinued
- HPE 1910-24G Discontinued
- HPE 1905-24-PoE Discontinued
HPE Switches
پیچیدگیهای پیاده سازی و مدیریت شبکههای مدرن را با استفاده اتوماسیون مبتنی بر هوش مصنوعی و پروتکل های امنیتی ارائه شده در سوئیچهای شبکه HPE ساده سازی کنید.
-
سوییچ های شبکه
- سیستم های فراهمگرا
زیرساخت های فراهمگرا
زیرساخت های فراهمگرا (HCI) یک زیرساخت نرم افزاری است که تمام عناصر سیستم های متداول (سخت افزاری) را به صورت مجازی پیاده سازی می کند.
آیا هوش مصنوعی می تواند تصاویر رادیوگرافی را بخواند ؟

هوش مصنوعی و پرتونگاری
طبق گزارشی که در 23 ژانویه 2019 منتشر شده، سیستم هوش مصنوعی می تواند رادیوگرافی های قفسه سینه را تجزیه تحلیل و بیمارانی را که باید تحت مراقبت فوری قرار گیرند، مشخص کند.
این سیستم همچنین می تواند کارهای تلنبار شده در بیمارستان ها را کاهش دهد. 40 درصد تصویربرداری های تشخیص بیماری در جهان، پرتونگاری قفسه سینه است که این آمار می تواند نشان از حجم بالای کار باشد.
در حال حاضر روش های سامانمند و خودکار برای رده بندی پرتونگاری های قفسه سینه و اولویت بخشیدن به موارد تشخیصی بحرانی و اورژانسی وجود ندارد.
محققان بیش از 470300 عکس قفسه سینه افراد بزرگسال را برای توسعه یک سیستم هوش مصنوعی که بتواند نتایج غیرمعمول را شناسایی کند، مورد استفاده قرار دادند و سپس طی یک شبیه سازی و با استفاده از 15887 رادیوگرافی قفسه سینه، عملکرد سیستم در تجزیه تحلیل و اولویت بندی تصاویر رادیوگرافی مورد ارزیابی قرار گرفت. به منظور حفظ حریم خصوصی، تمامی اطلاعات شناسایی بیماران از رادیوگرافی ها حذف گردید.
طبق گفته محققان این سیستم در تشخیص عکس اشعه ایکس قفسه سینه نرمال از نمونه غیرنرمال آن بسیار دقیق عمل کرده است. در حالت عادی اظهار نظر متخصص رادیولوژیست درباره علائم بحرانی به طور میانگین 11.2 روز زمان می برد در صورتی که شبیه سازی ها نشان می دهند که با بکارگیری سیستم مبتنی بر هوش مصنوعی، زمان این پروسه به طور میانگین به 2.7 روز کاهش میابد.
نتایج این تحقیقات در 22 ژانویه 2019 در مجله رادیولوژی منتشر شده است.
طبق گزارش، نتایج اولیه از این جهت هیجان انگیز است که نشان می دهد سیستم مبتنی بر هوش مصنوعی می تواند برای استفاده از یک پایگاه داده بسیار بزرگ از داده های رادیوگرافی با موفقیت آموزش ببیند.
با افزایش اعتبار پزشکی، از این فناوری انتظار می رود که با تشخیص سریع حجم زیادی از نتایج عادی رادیوگرافی ها، حجم کاری یک رادیولوژیست را برای تشخیص موارد عادی کاهش داده و بدینوسیله برای مواردی که به توجه بیشتری نیاز دارند زمان بیشتری اختصاص یابد.
به گفته محققان گام بعدی در این زمینه آزمایش تعداد بسیاری بیشتری رادیوگرافی و هدایت یک تحقیق در چندین مرکز به منظور ارزیابی عملکرد سیستم هوش مصنوعی می باشد.
منبع : WebMD